网页制作工具按其制作方式分可以分为优化二十条
YoloV8的目标检测推理
原始的YoloV8封装的层次太高，想要为我们所用可能需要阅读很多API，下面给出比较简单的使用方式
导入所需的库
os：用于操作文件系统。cv2(OpenCV)：用于图像处理。numpy：提供数学运算，特别是对数组的操作。ultralytics.YOLO：一个现成的YOLO模型实现，用于对象检测。torch：PyTorch深度学习框架，用于处理模型。serial：用于串口通信。time：用于时间相关的操作。
初始化串口通信的函数：init_serial
init_serial函数用于初始化串口通信。- 参数包括端口名称、波特率、字节大小、奇偶校验和停止位。
- 在尝试打开串口时使用
try-except结构来捕获异常。 - 如果串口打开成功，则返回串口对象，否则打印错误信息并退出程序。
加载模型的函数：load_model
load_model函数用于加载YOLO模型。- 检查模型权重文件是否存在，不存在则打印错误信息并退出。
- 使用
YOLO类从给定路径加载模型，并将其传输到指定的计算设备（CPU或GPU）。 - 返回加载的模型。
处理图像的函数：process_images
process_images函数负责处理指定路径下的图像。- 检查图像路径是否存在，不存在则打印错误信息并退出。
- 遍历指定路径下的所有
.jpg图像。 - 对每张图像应用YOLO模型进行对象检测。
- 从检测结果中提取类别和边界框信息。
- 对于检测到的每个对象，绘制边界框并根据类别确定边界框颜色。
- 根据检测结果通过串口发送“OK”或“not OK”信息。
- 使用OpenCV显示结果图像，按
q退出循环。 - 最后关闭所有OpenCV窗口。
主函数：main
- 在主函数中设置计算设备。
- 初始化串口。
- 加载模型。
- 调用
process_images函数处理图像。 - 使用
if __name__ == "__main__":确保在直接运行脚本时执行主函数。
import os
import cv2
import numpy as np
from ultralytics import YOLO
import torch
import serial
import timedef init_serial(port, baudrate, bytesize, parity, stopbits):try:ser = serial.Serial(port, baudrate, bytesize, parity, stopbits)time.sleep(1) # 等待串口初始化return serexcept serial.SerialException as e:print(f"Error opening serial port: {e}")exit()def load_model(weights_path, device):if not os.path.exists(weights_path):print("Model weights not found!")exit()model = YOLO(weights_path).to(device)model.fuse()model.info(verbose=False)return modeldef process_images(path, model, serial_port):if not os.path.exists(path):print(f"Path {path} does not exist!")exit()for img_file in os.listdir(path):if not img_file.endswith(".jpg"):continueimg_path = os.path.join(path, img_file)img = cv2.imread(img_path)if img is None:print(f"Failed to load image {img_path}")continuemask = img.copy()result = model(img)cls, xywh = result[0].boxes.cls, result[0].boxes.xywhcls_, xywh_ = cls.detach().cpu().numpy(), xywh.detach().cpu().numpy()for pos, cls_value in zip(xywh_, cls_):pt1, pt2 = (np.int_([pos[0] - pos[2] / 2, pos[1] - pos[3] / 2]),np.int_([pos[0] + pos[2] / 2, pos[1] + pos[3] / 2]))color = [0, 0, 255] if cls_value == 0 else [0, 255, 0]cv2.rectangle(mask, tuple(pt1), tuple(pt2), color, 2)res_ = "Yes" if np.any(cls_ == 1) else "No"print(res_)serial_port.write((res_ + "\r\n").encode())cv2.imshow("result", mask)if cv2.waitKey(1) & 0xFF == ord('q'):breakcv2.destroyAllWindows()def main():device = torch.device("cuda" if torch.cuda.is_available() else "cpu")print("Using device:", device)serial_port = init_serial("/dev/ttyTHS1", 115200, serial.EIGHTBITS, serial.PARITY_NONE, serial.STOPBITS_ONE)model = load_model("./weights/best.pt", device)process_images("./datasets/pre/", model, serial_port)if __name__ == "__main__":main()